Czy Wan 2.5 generuje dźwięk?

Tak. Dźwięk powstaje w tym samym przebiegu co obraz, więc plik wraca z gotową ścieżką. Podaj audio_url, gdy klip ma podążać za konkretną kwestią albo akcentem muzycznym.

Jak długi może być klip Wan 2.5?

Dokładnie 5 albo 10 sekund. duration_seconds to lista dwóch wartości, więc 7 kończy się błędem walidacji, a nie zaokrągleniem żądania.

Jakie rozdzielczości są dostępne?

480p, 720p i 1080p, domyślnie 720p. Rozdzielczość wyznacza stawkę za sekundę, więc szukaj ujęcia w 720p, a wybrany dubel wyrenderuj ponownie w 1080p.

Czy mogę wybrać proporcje obrazu?

W text-to-video tak: 16:9, 9:16, 1:1, 4:3 albo 3:4, przy czym 4:3 i 3:4 wymagają co najmniej 720p. Image-to-video przyjmuje proporcje przesłanej klatki.

Czym Wan 2.5 różni się od Wan 2.6?

Wan 2.6 rezygnuje z 480p, dodaje montaż wieloujęciowy w image-to-video oraz endpoint reference-to-video, który obsadza postacie na podstawie krótkich klipów. Wan 2.5 zachowuje tańszy próg 480p i endpoint text-to-video.

API Wan 2.5: wideo NSFW bez cenzury z dźwiękiem

alibaba/wan-2.5/video-extend

Kontynuuj klip w Wan 2.5: ostatnia klatka Twojego wideo otwiera nowy segment o długości 5 lub 10 sekund z dźwiękiem, a w odpowiedzi dostajesz jeden plik z połączonym oryginałem i kontynuacją, w 480p, 720p lub 1080p. Opcjonalna ścieżka audio ustala tempo nowej części.

Od $0.045/s

Uruchom model Zobacz API

Wejście

Przedłużenie wideo

1
Wybierz klip do kontynuacji
Wybierz film, a pociągniemy go dalej od ostatniej klatki.
2
Co dzieje się dalej
Wybierz klip w kroku 1, a ten krok się odblokuje.
Model
Prompt0/1500
Opcjonalnie. Co dzieje się dalej: kolejna akcja, ruch kamery i linijka o dźwięku. Ostatnia klatka ustala już obiekt i scenografię, więc słowa przeznacz na ruch. Do 1500 znaków. do 1500 znaków
Prompt negatywny0/500
Czego nie może być w nowym segmencie: drugiej osoby, napisów, rekwizytu, który ostatnia klatka ciągle przynosi. Do 500 znaków. do 500 znaków
Rozdzielczośćwpływa na cenę
Rozdzielczość, w jakiej powstaje nowy fragment: 480p, 720p lub 1080p, domyślnie 720p. Wybierz rozdzielczość oryginału, żeby na łączeniu nie było widać skoku ostrości. Połączony MP4 zachowuje liczbę klatek na sekundę i kadr Twojego klipu, bez czarnych pasów. Aby dopasować łączenie, obraz może zostać przycięty lub skorygowany o kilka procent na brzegach. Jeśli model zwróci wyraźnie inne proporcje, nowy segment zostanie przeskalowany tak, aby wypełnić Twój kadr, i wyśrodkowany, a to, co wystaje, zostanie przycięte. Od niej zależy cena.
Czas trwaniawpływa na cenę
510
Długość nowego segmentu: dokładnie 5 lub 10 sekund, domyślnie 5. Twój oryginał dochodzi z przodu i nie jest rozliczany. Krótkie segmenty lepiej trzymają dłonie i włosy, więc najpierw ustal wygląd na pięciu sekundach.
Dźwięk wejściowy0/1
Adres materiału
Upuść tutaj plik dźwiękowy albo wybierz z dysku · 1 plik · maks. 90 MB · MP3 · WAV
0 / 1 plików
Dźwięk nowego segmentu: kwestia lub sygnał muzyczny, za którymi ma podążać, żeby mowa i uderzenia rytmu wpadły tam, gdzie chcesz. WAV lub MP3, od 3 do 30 sekund i do 15 MB. Audio dłuższe niż nowy segment jest ucinane na końcu; krótsze zostawia resztę segmentu w ciszy. Twój oryginał zachowuje własny dźwięk. od 1 znaków

Filtr bezpieczeństwaWyłączony

SpicyAPI nie uruchamia przy tym modelu żadnego filtra bezpieczeństwa. Twój prompt i media trafiają do modelu w takiej postaci, w jakiej je zapisałeś, a o tym, co wraca, decyduje sam model.

Sprawdzamy twoje konto, zanim odblokujemy wysyłkę i wycenę.

1 wymagane pole jest puste: Wideo wejściowe

Wyjście

Gotowe do nowego uruchomienia

Tutaj pojawi się twój wynik.

Ustaw dane wejściowe, sprawdź szacunek, a potem uruchom model.

{
  "model": "alibaba/wan-2.5/video-extend",
  "input": {
    "resolution": "720p",
    "duration_seconds": 5,
    "enable_prompt_expansion": false,
    "prompt": "Continue the scene naturally, keeping the same subject, camera movement and lighting."
  }
}

Wprowadzenie

Przedłużanie wideo w Wan 2.5. Wyślij klip, który chcesz kontynuować, i opisz, co dzieje się dalej: ostatnia klatka Twojego klipu staje się klatką początkową nowego ujęcia Wan 2.5 z obrazu na wideo, a oryginał i nowy segment wracają połączone w jednym pliku MP4. Opcjonalne audio_url ustala dźwięk tylko nowego segmentu. Płacisz wyłącznie za nowe sekundy.

Specyfikacja: Wan 2.5 · Video Extend
Pole	Wartość
Wejście	Wideo
Wyjście	Wideo
Producent	Alibaba
Opublikowane endpointy	text-to-video, image-to-video, video-extend
Długość klipu	5 albo 10 sekund – domyślnie 5
Rozdzielczość	480p, 720p, 1080p – domyślnie 720p
Proporcje obrazu	16:9, 9:16, 1:1, 4:3, 3:4 w text-to-video; image-to-video podąża za klatką
Dźwięk	Generowany razem z obrazem; opcjonalny `audio_url` do naśladowania
Rozliczenie	Za sekundę wideo, stawka zależy od rozdzielczości

Najważniejsze funkcje

Dajesz kwestię, usta idą za nią

Wszystkie endpointy przyjmują audio_url. Wyślij nagraną kwestię albo akcent muzyczny, a wygenerowany klip dopasuje ruch i układ ust do tego pliku, zamiast wymyślać własny rytm. To najprostszy sposób, żeby mówione ujęcie trafiło dokładnie w słowa, które już zostały zatwierdzone.

Parametry żądania

Parametry żądania: Wan 2.5 · Video Extend
Parametr	Wymagane	Uwaga
`prompt`	Nie	Opcjonalnie. Co dzieje się dalej: kolejna akcja, ruch kamery i linijka o dźwięku. do 1500 znaków
`negative_prompt`	Nie	Czego nie może być w nowym segmencie: drugiej osoby, napisów, rekwizytu, który ostatnia klatka ciągle przynosi. Do 500 znaków. do 500 znaków
`video_url`	Tak	Klip do kontynuacji: MP4, MOV lub WebM, do 60 sekund. Jego ostatnia klatka staje się klatką początkową nowego segmentu, więc tnij go na czystej, ostrej klatce. od 1 znaków
`resolution`	Nie	Rozdzielczość, w jakiej powstaje nowy fragment: 480p, 720p lub 1080p, domyślnie 720p. Wybierz rozdzielczość oryginału, żeby na łączeniu nie było widać skoku ostrości. `480p` · `720p` · `1080p` · Domyślnie: `720p`
`duration_seconds`	Nie	Długość nowego segmentu: dokładnie 5 lub 10 sekund, domyślnie 5. Twój oryginał dochodzi z przodu i nie jest rozliczany. `5` · `10` · Domyślnie: `5`
`audio_url`	Nie	Dźwięk nowego segmentu: kwestia lub sygnał muzyczny, za którymi ma podążać, żeby mowa i uderzenia rytmu wpadły tam, gdzie chcesz. WAV lub MP3, od 3 do 30 sekund i do 15 MB. od 1 znaków
`enable_prompt_expansion`	Nie	Domyślnie wyłączone. Włącz je przy pomyśle w jednym zdaniu; zostaw wyłączone, gdy prompt opisuje już precyzyjną akcję. Domyślnie: `false`
`seed`	Nie	Od 0 do 2147483647. Ustaw na stałe, gdy porównujesz rozdzielczość lub długość na tym samym klipie; dla losowego wyniku pomiń pole zamiast wysyłać 0. `≥ 0` · `≤ 2147483647`

Cennik

Rozliczana jest każda sekunda nowego segmentu w wybranej rozdzielczości; przesłany klip źródłowy nie jest rozliczany.

Cennik
Specyfikacja	Cena
`480p`	$0.045 / sekundę
`720p`	$0.09 / sekundę
`1080p`	$0.135 / sekundę

Zastosowania

Krótkie klipy społecznościowe z włączonym dźwiękiem

Wybierz 9:16 w text-to-video, zostaw klip na pięciu sekundach i pozwól, żeby ścieżka wróciła w tym samym pliku. Nic nie wymaga osobnego przebiegu dźwiękowego przed publikacją, dzięki czemu codzienna partia szkiców jest realna do ogarnięcia.

Mówione ujęcia z zatwierdzonego scenariusza

Zacznij od portretu w image-to-video i podaj nagraną kwestię jako audio_url. Twarz pochodzi z kadru, a tempo z pliku, więc przegląd skupia się na aktorstwie, a nie na synchronizacji.

Momenty produktowe z jednego packshotu

Użyj packshotu jako klatki początkowej i opisz jeden ruch kamery. Ponieważ kadr ustala etykietę i sylwetkę, prompt musi nieść tylko światło i ruch, a render w 1080p jest gotowy do kadrowania.

Wskazówki

Wybieraj według tego, co już masz

Sam pomysł → text-to-video, gdzie aspect_ratio ustala kształt. Kadr do ożywienia → image-to-video, gdzie klip dziedziczy proporcje kadru. Istniejący klip kontynuujesz przez video-extend. Wszystkie dzielą te same długości, rozdzielczości i sterowanie dźwiękiem.
Ustal ujęcie przy pięciu sekundach i 720p

Napisz podmiot, jedną czynność, jeden ruch kamery i zdanie o dźwięku. Przytrzymaj seed podczas iteracji, a potem wyrenderuj wybrany dubel na 10 sekund albo w 1080p.
Wyślij asynchronicznie

Utwórz zadanie z nagłówkiem Idempotency-Key, zachowaj identyfikator i odpytuj je albo zarejestruj callback. Gotowe wideo jest serwowane z magazynu platformy.

Wprowadzenie

Wan 2.5 Przedłużanie wideo kontynuuje klip, który już masz. Wyślij go w polu video_url i, jeśli chcesz, dodaj prompt opisujący, co dzieje się dalej. Ostatnia klatka Twojego klipu staje się klatką początkową nowego ujęcia Wan 2.5 z obrazu na wideo o długości 5 lub 10 sekund, a całość jest łączona w jeden plik MP4: najpierw Twój oryginał, potem kontynuacja, bez powtórzonej klatki na łączeniu. Nowy segment wraca też jako osobny plik, więc możesz przedłużać dalej albo edytować części osobno.

Najważniejsze funkcje i zalety

Ciągłość bierze się z ostatniej klatki. Strój, scenografia, światło i położenie wszystkich osób zostają, bo nowy segment dosłownie zaczyna się na Twojej ostatniej klatce. Ruch nie przenosi się w ten sam sposób: model widzi jeden nieruchomy obraz, a nie cały klip, więc opisz ruch, który ma trwać, zamiast zakładać, że zachowa tempo i kierunek.

Dostajesz jeden plik oraz osobno nowy fragment. Połączony MP4 zachowuje liczbę klatek na sekundę i kadr Twojego klipu, bez czarnych pasów. Aby dopasować łączenie, obraz może zostać przycięty lub skorygowany o kilka procent na brzegach. Jeśli model zwróci wyraźnie inne proporcje, nowy segment zostanie przeskalowany tak, aby wypełnić Twój kadr, i wyśrodkowany, a to, co wystaje, zostanie przycięte. Jest kodowany jako MP4 H.264 z dźwiękiem AAC. Dźwięk z Twojego oryginału zostaje, dźwięk nowego segmentu idzie za nim, a niema strona jest dopełniana ciszą, żeby obraz i dźwięk pozostały zgrane na łączeniu. Drugi zasób wyniku to sam nowy segment, gotowy do kolejnego przedłużenia lub do edytora.

Przynieś własny dźwięk dla nowej części. Podaj audio_url, a nowy segment powstanie pod tę ścieżkę, więc kwestia lub uderzenie rytmu wpadną tam, gdzie chcesz. Parametr kształtuje tylko nowy segment: oryginał zachowuje swój dźwięk, a oba fragmenty są łączone bez zmian.

Cała reszta to Wan 2.5 z obrazu na wideo. Nowy segment działa na tych samych trasach, z tym samym zakresem treści i tą samą ceną za sekundę co endpoint z obrazu na wideo, a nieudana generacja jest zwracana tak samo. Jeśli generacja się uda, ale nie da się zbudować połączenia, zadanie kończy się błędem, a opłata jest zwracana.

Przykłady zastosowań

Wydłuż ujęcie, które skończyło się za wcześnie: obrotowy stolik z produktem, który zatrzymuje się, zanim etykieta spojrzy w kamerę, albo marsz urwany, zanim bohater dojdzie do drzwi. Przedłuż je o kilka sekund i opisz tylko pozostały ruch.

Buduj dłuższą sekwencję krok po kroku. Wygeneruj pierwsze ujęcie, przedłuż je, a potem przedłuż połączony wynik jeszcze raz; każdy krok rozlicza tylko sekundy, które dodaje. Ponieważ każdy krok zaczyna się od jednej klatki, sprawdź każde łączenie, zanim dołożysz kolejne.

Poradnik promptów i wskazówki

Opisz następny moment, a nie całą scenę. Klatka już ustala, kto i gdzie; prompt przeznacz na kolejną akcję, ruch kamery i dźwięk. Powtórz język kamery, którym kończył się klip, na przykład powolny najazd albo stałe ujęcie, żeby łączenie wyglądało jak jedno ujęcie. Prompt jest opcjonalny, ale jedna wyraźna linijka akcji daje stabilniejszy ruch niż żadna.

Przytnij przed przedłużeniem. Ostatnia klatka to jedyny obraz, który widzi model, więc rozmyte, urwane w pół ruchu lub mocno skompresowane zakończenie przechodzi prosto do kontynuacji. Najpierw tnij oryginał na czystej, ostrej klatce. Przyjmujemy klipy źródłowe do 60 sekund w formacie MP4, MOV lub WebM.

Dopasuj rozdzielczość do oryginału. resolution ustala tylko ostrość, z jaką powstaje nowy segment. Wybierz rozdzielczość oryginału i ustaw duration_seconds na długość, której naprawdę potrzebujesz: opłata dotyczy tylko nowego segmentu.

Używaj wyłącznie autoryzowanych materiałów. Nie twórz treści seksualnych z udziałem osób małoletnich, intymnych materiałów bez zgody ani zwodniczego podszywania się pod realne osoby.

Odpowiadasz za prawa, zgodę, prywatność i dozwolony użytek każdego promptu oraz każdego przesłanego pliku.

Szybki start z API

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "alibaba/wan-2.5/video-extend",
  "input": {
    "duration_seconds": 5,
    "resolution": "720p",
    "video_url": "https://example.com/reference.mp4"
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.

Powiązane modele i kolejne zadania

Brakuje modelu, którego potrzebujesz?

Napisz, co dodać i do czego chcesz tego użyć. Zgłoszenia trafiają do osób, które decydują o kolejności wdrożeń.

WIDEO Z DŹWIĘKIEM

Opisz ujęcie albo wyślij kadr i odbierz 5 lub 10 sekund z dźwiękiem.

Kluczowe liczby

Endpointy: 3; Text-to-video, image-to-video i video-extend, każdy z własnym kontraktem.
Długość klipu: 5/10; Dwie stałe długości. Wartości pośrednie są odrzucane, a nie zaokrąglane.
Maks. rozdz.: 1080P; 480p, 720p lub 1080p w każdym żądaniu; domyślnie 720p.
Dźwięk: AUDIO; Powstaje w tym samym przebiegu co obraz.
Proporcje obrazu: 5; Pięć w text-to-video; image-to-video zachowuje kształt klatki.
Wejście audio: AUDIO IN; audio_url daje klipowi kwestię albo rytm, w który ma trafić.

Zanim zapłacisz

text-to-video

Pięć proporcji: 16:9, 9:16, 1:1, 4:3 i 3:4. W 480p renderują się tylko kadry poziome, pionowe i kwadratowe; o 4:3 lub 3:4 proś przy 720p albo wyżej. Konkretnej twarzy ani konkretnego produktu sam tekst nie utrzyma między przebiegami.

image-to-video

Klatka początkowa jest wymagana i decyduje o garderobie, scenografii, świetle i kształcie; nie ma tu pola proporcji, więc najpierw przytnij obraz. Prompt jest opcjonalny, ale jedna wyraźna linia akcji daje znacznie stabilniejszy ruch.

all

Długość to dokładnie 5 albo 10 sekund. Dłuższe klipy mocniej odpływają na dłoniach, włosach i drobnym detalu. Odpowiadasz za zgodę, prawa i lokalne przepisy dotyczące wszystkiego, co przesyłasz i przedstawiasz. Strony publiczne i przykłady pozostają odpowiednie dla szerokiej publiczności.

Co potrafi

Zgrane z twoją ścieżką
Dajesz kwestię, usta idą za nią
Wszystkie endpointy przyjmują audio_url. Wyślij nagraną kwestię albo akcent muzyczny, a wygenerowany klip dopasuje ruch i układ ust do tego pliku, zamiast wymyślać własny rytm. To najprostszy sposób, żeby mówione ujęcie trafiło dokładnie w słowa, które już zostały zatwierdzone.

Gdzie się sprawdza

Krótkie klipy społecznościowe z włączonym dźwiękiem
Wybierz 9:16 w text-to-video, zostaw klip na pięciu sekundach i pozwól, żeby ścieżka wróciła w tym samym pliku. Nic nie wymaga osobnego przebiegu dźwiękowego przed publikacją, dzięki czemu codzienna partia szkiców jest realna do ogarnięcia.
Mówione ujęcia z zatwierdzonego scenariusza
Zacznij od portretu w image-to-video i podaj nagraną kwestię jako audio_url. Twarz pochodzi z kadru, a tempo z pliku, więc przegląd skupia się na aktorstwie, a nie na synchronizacji.
Momenty produktowe z jednego packshotu
Użyj packshotu jako klatki początkowej i opisz jeden ruch kamery. Ponieważ kadr ustala etykietę i sylwetkę, prompt musi nieść tylko światło i ruch, a render w 1080p jest gotowy do kadrowania.

Zrobione z Wan 2.5

5 s
10 s
5 s
5 s
10 s
5 s
10 s

Dokumentacja modelu

Dokumentacja API Wan 2.5

Specyfikacja API Wan 2.5

Producent: Alibaba
Opublikowane endpointy: text-to-video, image-to-video, video-extend
Długość klipu: 5 albo 10 sekund – domyślnie 5
Rozdzielczość: 480p, 720p, 1080p – domyślnie 720p
Proporcje obrazu: 16:9, 9:16, 1:1, 4:3, 3:4 w text-to-video; image-to-video podąża za klatką
Dźwięk: Generowany razem z obrazem; opcjonalny audio_url do naśladowania
Rozliczenie: Za sekundę wideo, stawka zależy od rozdzielczości

Jak wywołać API Wan 2.5

1. Wybieraj według tego, co już masz
Sam pomysł → text-to-video, gdzie aspect_ratio ustala kształt. Kadr do ożywienia → image-to-video, gdzie klip dziedziczy proporcje kadru. Istniejący klip kontynuujesz przez video-extend. Wszystkie dzielą te same długości, rozdzielczości i sterowanie dźwiękiem.
2. Ustal ujęcie przy pięciu sekundach i 720p
Napisz podmiot, jedną czynność, jeden ruch kamery i zdanie o dźwięku. Przytrzymaj seed podczas iteracji, a potem wyrenderuj wybrany dubel na 10 sekund albo w 1080p.
3. Wyślij asynchronicznie
Utwórz zadanie z nagłówkiem Idempotency-Key, zachowaj identyfikator i odpytuj je albo zarejestruj callback. Gotowe wideo jest serwowane z magazynu platformy.

W skrócie

Wan 2.5 jest opublikowany na tej platformie jako niezależne API. Text-to-video przyjmuje opisane ujęcie i jedne z pięciu proporcji obrazu; image-to-video przyjmuje klatkę początkową i zachowuje jej kształt; video-extend kontynuuje istniejący klip. Wszystkie zwracają dokładnie 5 albo 10 sekund w 480p, 720p lub 1080p, z dźwiękiem powstającym razem z obrazem, opcjonalnym audio_url dla tempa dialogu lub muzyki, negatywnym promptem i seedem. Zadania działają asynchronicznie i są rozliczane za sekundę dostarczonego wideo, a stawkę wyznacza wybrana rozdzielczość.